CN117011717B - 一种基于物联网的全氟化合物污染评价方法及*** - Google Patents
一种基于物联网的全氟化合物污染评价方法及*** Download PDFInfo
- Publication number
- CN117011717B CN117011717B CN202311277226.1A CN202311277226A CN117011717B CN 117011717 B CN117011717 B CN 117011717B CN 202311277226 A CN202311277226 A CN 202311277226A CN 117011717 B CN117011717 B CN 117011717B
- Authority
- CN
- China
- Prior art keywords
- preset
- area
- perfluorinated
- distribution situation
- pollution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 150000001875 compounds Chemical class 0.000 title claims abstract description 219
- 238000011156 evaluation Methods 0.000 title description 17
- 238000005070 sampling Methods 0.000 claims abstract description 228
- 238000010586 diagram Methods 0.000 claims abstract description 187
- 238000013508 migration Methods 0.000 claims abstract description 135
- 230000005012 migration Effects 0.000 claims abstract description 135
- 238000009826 distribution Methods 0.000 claims abstract description 111
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 35
- -1 perfluoro compound Chemical class 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 11
- 238000012876 topography Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000009877 rendering Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 abstract description 15
- 101001136034 Homo sapiens Phosphoribosylformylglycinamidine synthase Proteins 0.000 description 21
- 150000005857 PFAS Chemical class 0.000 description 21
- 102100036473 Phosphoribosylformylglycinamidine synthase Human genes 0.000 description 21
- 241000196324 Embryophyta Species 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 231100000331 toxic Toxicity 0.000 description 7
- 230000002588 toxic effect Effects 0.000 description 7
- 238000011109 contamination Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004040 coloring Methods 0.000 description 4
- 235000021384 green leafy vegetables Nutrition 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004949 mass spectrometry Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001338022 Daucus carota subsp. sativus Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 231100000674 Phytotoxicity Toxicity 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000008346 aqueous phase Substances 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 231100000693 bioaccumulation Toxicity 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 150000004677 hydrates Chemical class 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000014571 nuts Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008621 organismal health Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 231100000683 possible toxicity Toxicity 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 235000012045 salad Nutrition 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及环境评估技术领域，特别是一种基于物联网的全氟化合物污染评价方法及***，获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图，在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度，通过本方法能够自动且准确的评价出全氟化合物在各个迁移方向上的迁移速度。
Description
技术领域
本发明涉及环境评估技术领域，特别是一种基于物联网的全氟化合物污染评价方法及***。
背景技术
全氟化合物（PFAS）在工业生产和消费品制造中广泛使用，因其在随着工业废液排放后的持久性、生物富集性和潜在的毒性而引起了广泛关注。PFAS能够被某些植物吸收和富集，并且难以降解，从而对生态***和人类健康产生负面影响，因此，监测和评价PFAS在环境中的存在和迁移至关重要。传统的PFAS评价方法通常需要依靠人工经验进行分析，受人为因素影响导致评估结果的可靠性较低，而且不能准确的评价出PFAS在多个迁移方向上的迁移速度，精细化程度低，导致无法实现对全氟化合物污染区域进行精细化管控，管控效率低下，浪费大量资源。而随着物联网技术的高速发展，物联网技术的广泛应用使得监测和评估环境中的全氟化合物污染变得更加智能和高效。
发明内容
本发明克服了现有技术的不足，提供了一种基于物联网的全氟化合物污染评价方法及***。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种基于物联网的全氟化合物污染评价方法，包括以下步骤：
获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图；
在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；
对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度；
获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域；若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物。
进一步地，本发明的一个较佳实施例中，获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图，具体为：
获取目标企业的预设排放源，并以所述预设排放源为中心点，基于所述中心点确定出监测区域；
获取监测区域对应的三维地形模型图，以及获取采样点的密度分布要求信息；将所述三维地形模型图与密度分布要求信息导入蚁群算法中进行迭代规划，得到若干个预设采样点；
获取监测区域的工程建设信息，根据所述工程建设信息对各预设采样点进行检索，以检索出所述预设采样点中是否存在埋设预设类型设备的情况；
若所述预设采样点中存在埋设预设类型设备的情况，则对所述预设采样点进行重新规划，以重新规划得到新的预设采样点，直至新的预设采样点中不存在埋设预设类型设备的情况，则基于所述新的预设采样点生成采样点布局图，并将所述采样点布局图输出；
若所述预设采样点中不存在埋设预设类型设备的情况，则基于所述预设采样点生成采样点布局图，并将所述采样点布局图输出。
进一步地，本发明的一个较佳实施例中，在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图，具体为：
在第一预设时间节点对所述采样点布局图中的预设采样点的土壤进行采样检测，以检测出各预设采样点在第一预设时间节点上是否存在全氟化合物；
若所述预设采样点在第一预设时间节点上存在全氟化合物，则在所述采样点布局图中将对应的预设采样点进行标记，得到若干个第一污染标记采样点；
基于若干个第一污染标记采样点生成第一污染区域，并在所述采样点布局图中对所述第一污染区域进行渲染处理，得到在第一预设时间节点上以第一色彩表示的第一全氟化合物分布情况图。
进一步地，本发明的一个较佳实施例中，在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图，具体为：
在第二预设时间节点对所述采样点布局图中的预设采样点的土壤进行采样检测，以检测出各预设采样点在第二预设时间节点上是否存在全氟化合物；
若所述预设采样点在第二预设时间节点上存在全氟化合物，则在所述采样点布局图中将对应的预设采样点进行标记，得到若干个第二污染标记采样点；
基于若干个第二污染标记采样点生成第二污染区域，并在所述采样点布局图中对所述第二污染区域进行渲染处理，得到在第二预设时间节点上以第二色彩表示的第二全氟化合物分布情况图。
进一步地，本发明的一个较佳实施例中，对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度，具体为：
构建虚拟空间，并将第一全氟化合物分布情况图与第二全氟化合物分布情况图导入所述虚拟空间中；
在所述虚拟空间中使得第一全氟化合物分布情况图与第二全氟化合物分布情况图中位置相同的预设采样点相互重合，以对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行配对处理，得到配对后的全氟化合物分布情况图；
在所述配对后的全氟化合物分布情况图检索出预设排放源所处的位置节点，并以该位置节点作为坐标原点，基于所述坐标原点在所述配对后的全氟化合物分布情况图中构建直角坐标系；
根据第一污染区域与第二污染区域的色彩特性在所述配对后的全氟化合物分布情况图中分别检索出第一污染区域与第二污染区域的曲线轮廓；并通过所述直角坐标系中的四个象限区域将第一污染区域与第二污染区域的曲线轮廓分为四个东、南、西、北四个迁移方向；
以所述坐标原点为射线起点，基于所述射线起点向四个象限区域发射出若干条射线，并获取各条射线在各个象限区域中第一污染区域与第二污染区域的曲线轮廓的交点，并获取每一条射线在各个象限区域中曲线轮廓交点之间的线段，得到多条交点线段；
计算各个象限区域中各交点线段的距离值，根据各交点线段的距离值、第一预设时间节点以及第二预设时间节点计算得到全氟化合物在多个节点上的迁移速度；
对各个象限区域中全氟化合物在各个节点上的迁移速度进行取平均值处理，得到各个象限区域中全氟化合物的平均迁移速度，以得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度。
进一步地，本发明的一个较佳实施例中，获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域，具体为：
预制多种预设农作物模型图，构建数据库，并将多种预设农作物模型图导入所述数据库中，得到特性数据库；
获取各个迁移方向在预设范围内的农作物实时图像信息，则根据所述农作物实时图像信息构建得到在该迁移方向中农作物实时模型图；
将所述农作物实时模型图导入所述特性数据库中，并通过欧几里德距离算法计算所述农作物实时模型图与各种预设农作物模型图之间的相似度，得到多个相似度，并将多个相似度均与预设相似度进行比较；
若各个相似度均不大于预设相似度，则说明该迁移方向上所种植的农作物不是预设类型的农作物，则将该迁移方向标记为非预警区域；
若存在至少一个相似度大于预设相似度，则说明该迁移方向上所种植的农作物是预设类型的农作物，则将该迁移方向标记为预警区域。
进一步地，本发明的一个较佳实施例中，若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物，具体为：
若某迁移方向为预警区域，则获取该预警区域内的农作物实时模型图，并根据所述农作物实时模型图识别出该预警区域农作物的作物类型与生长时期；
根据该预警区域农作物的作物类型与生长时期生成检索标签，基于所述检索标签在大数据网络中进行检索，以检索得到该预警区域农作物的预测生长速率；
根据所述预测生长速率与生长时期确定出该预警区域农作物的成熟时间节点；
获取该预警区域上全氟化合物的平均迁移速度，以及获取该预警区域农作物的作物位置区域，以及根据所述第二全氟化合物分布情况图确定出该预警区域上全氟化合物的实时污染位置；
根据所述平均迁移速度以及全氟化合物的实时污染位置计算出全氟化合物迁移至该作物位置区域的预测时间节点；
将所述预警区域农作物的成熟时间节点与全氟化合物迁移至该作物位置区域的预测时间节点进行比较；若所述预警区域农作物的成熟时间节点大于全氟化合物迁移至该作物位置区域的预测时间节点，则生成警报信息，并将所述警报信息输出。
本发明第二方面公开了一种基于物联网的全氟化合物污染评价***，所述全氟化合物污染评价***包括存储器与处理器，所述存储器中存储有全氟化合物污染评价方法程序，当所述全氟化合物污染评价方法程序被所述处理器执行时，实现如下步骤：
获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图；
在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；
对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度；
获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域；若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图，在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度，通过本方法能够自动且准确的评价出全氟化合物在各个迁移方向上的迁移速度，从而有助于制定污染治理和应急响应策略，有助于提高环境管理的效率和效果，减少潜在的环境和健康风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1为一种基于物联网的全氟化合物污染评价方法的第一方法流程图；
图2为一种基于物联网的全氟化合物污染评价方法的第二方法流程图；
图3为一种基于物联网的全氟化合物污染评价方法的第三方法流程图；
图4为一种基于物联网的全氟化合物污染评价***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面公开了一种基于物联网的全氟化合物污染评价方法，包括以下步骤：
S102：获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图；
S104：在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；
S106：对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度；
S108：获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域；若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物。
其中，获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图，具体为：
获取目标企业的预设排放源，并以所述预设排放源为中心点，基于所述中心点确定出监测区域；
获取监测区域对应的三维地形模型图，以及获取采样点的密度分布要求信息；将所述三维地形模型图与密度分布要求信息导入蚁群算法中进行迭代规划，得到若干个预设采样点；
获取监测区域的工程建设信息，根据所述工程建设信息对各预设采样点进行检索，以检索出所述预设采样点中是否存在埋设预设类型设备的情况；
若所述预设采样点中存在埋设预设类型设备的情况，则对所述预设采样点进行重新规划，以重新规划得到新的预设采样点，直至新的预设采样点中不存在埋设预设类型设备的情况，则基于所述新的预设采样点生成采样点布局图，并将所述采样点布局图输出；
若所述预设采样点中不存在埋设预设类型设备的情况，则基于所述预设采样点生成采样点布局图，并将所述采样点布局图输出。
需要说明的是，蚁群算法通过模拟蚂蚁在问题空间中移动的过程来解决优化问题。蚂蚁从一个初始点出发，根据某些规则选择下一个移动的位置。这个过程不断迭代，直到达到停止条件。
需要说明的是，目标企业即是生产经营与全氟化合物有关产品的企业；预设排放源即是目标企业提前规划好的工业废水排放地点。以所述预设排放源为中心点，根据中心点的预设范围直径确定出监测区域，如监测区域直径为10公里、20公里以及30公里等。可以根据遥感技术或直接在地图软件中获取德奥监测区域对应的三维地形模型图。所述采样点即是土壤采样监测点，采样点的密度分布要求信息由技术人员规定。工程建设信息即是监测区域的工程规划信息，可以在相关工程规划表中获取得到。通过蚁群算法结合监测区域对应的三维地形模型图与采样点的密度分布要求信息生成多个预设采样点，预设采样点的分布情况可以是环扣圆型或者是环扣方型等。预设类型设备包括地下电缆、地下管道等。若预设采样点中存在埋设预设类型设备的情况，为了安全起见，在对监测区域进行采样检测时需要避开这些地点，则需要所述预设采样点进行重新规划。通过本以上步骤能够根据监测区域的地形条件自动规划出对应的采样点，采样时能够避免工程设施，提高安全性，能够使得采样点更加合理，避免出现过度采样或采样不足的情况。
其中，在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图，如图2所示，具体为：
S202：在第一预设时间节点对所述采样点布局图中的预设采样点的土壤进行采样检测，以检测出各预设采样点在第一预设时间节点上是否存在全氟化合物；
S204：若所述预设采样点在第一预设时间节点上存在全氟化合物，则在所述采样点布局图中将对应的预设采样点进行标记，得到若干个第一污染标记采样点；
S206：基于若干个第一污染标记采样点生成第一污染区域，并在所述采样点布局图中对所述第一污染区域进行渲染处理，得到在第一预设时间节点上以第一色彩表示的第一全氟化合物分布情况图。
需要说明的是，可以通过自动采样设备，如无人采样小车等在第一预设时间节点上对采样点布局图中的各个预设采样点进行采样，然后通过如质谱法、核磁共振、红外光谱法检测出各个采样点中的土壤是否存在全氟化合物，若存在，则在所述采样点布局图中将对应的预设采样点进行标记，当均对各个采样点均检测完毕后，将各个第一污染标记采样点进行连线处理，然后再利用如3Dmax等软件将连线后的区域进行渲染着色处理，以将连线后的区域着色为以第一色彩（如蓝色）表示的第一全氟化合物分布情况图。其中，着色后的区域即为在第一预设时间节点上监测区域中存在全氟化合物的区域。通过本方法能够将监测区域中存在全氟化合物的污染区域进行可视化展示。
其中，在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图，具体为：
在第二预设时间节点对所述采样点布局图中的预设采样点的土壤进行采样检测，以检测出各预设采样点在第二预设时间节点上是否存在全氟化合物；
若所述预设采样点在第二预设时间节点上存在全氟化合物，则在所述采样点布局图中将对应的预设采样点进行标记，得到若干个第二污染标记采样点；
基于若干个第二污染标记采样点生成第二污染区域，并在所述采样点布局图中对所述第二污染区域进行渲染处理，得到在第二预设时间节点上以第二色彩表示的第二全氟化合物分布情况图。
需要说明的是，可以通过自动采样设备，如无人采样小车等在第二预设时间节点上对采样点布局图中的各个预设采样点进行采样，然后通过如质谱法、核磁共振、红外光谱法检测出各个采样点中的土壤是否存在全氟化合物，若存在，则在所述采样点布局图中将对应的预设采样点进行标记，当均对各个采样点均检测完毕后，将各个第二污染标记采样点进行连线处理，然后再利用如3Dmax等软件将连线后的区域进行渲染着色处理，以将连线后的区域着色为以第二色彩（如红色）表示的第二全氟化合物分布情况图。其中，着色后的区域即为在第二预设时间节点上监测区域中存在全氟化合物的区域。通过本方法能够将监测区域中存在全氟化合物的污染区域进行可视化展示。
其中，对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度，具体为：
构建虚拟空间，并将第一全氟化合物分布情况图与第二全氟化合物分布情况图导入所述虚拟空间中；
在所述虚拟空间中使得第一全氟化合物分布情况图与第二全氟化合物分布情况图中位置相同的预设采样点相互重合，以对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行配对处理，得到配对后的全氟化合物分布情况图；
在所述配对后的全氟化合物分布情况图检索出预设排放源所处的位置节点，并以该位置节点作为坐标原点，基于所述坐标原点在所述配对后的全氟化合物分布情况图中构建直角坐标系；
根据第一污染区域与第二污染区域的色彩特性在所述配对后的全氟化合物分布情况图中分别检索出第一污染区域与第二污染区域的曲线轮廓；并通过所述直角坐标系中的四个象限区域将第一污染区域与第二污染区域的曲线轮廓分为四个东、南、西、北四个迁移方向；
以所述坐标原点为射线起点，基于所述射线起点向四个象限区域发射出若干条射线，并获取各条射线在各个象限区域中第一污染区域与第二污染区域的曲线轮廓的交点，并获取每一条射线在各个象限区域中曲线轮廓交点之间的线段，得到多条交点线段；
计算各个象限区域中各交点线段的距离值，根据各交点线段的距离值、第一预设时间节点以及第二预设时间节点计算得到全氟化合物在多个节点上的迁移速度；
对各个象限区域中全氟化合物在各个节点上的迁移速度进行取平均值处理，得到各个象限区域中全氟化合物的平均迁移速度，以得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度。
需要说明的是，通过如SolidWorks等建模软件构建虚拟空间，以对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行配对处理，得到配对后的全氟化合物分布情况图；并且根据预设排放源所处的位置节点构建直角坐标系，以得到第一象限区域、第二象限区域、第三象限区域以及第四象限区域；以将第一污染区域与第二污染区域的曲线轮廓分为四个东、南、西、北四个迁移方向。然后在SolidWorks等建模软件中以所述坐标原点为射线起点，基于所述射线起点向四个象限区域模拟发射出若干条射线（具体数量可以根据实际情况设定，数量越多，所计算得到的平均迁移速度精度越高），当发射出若干条射线后，各条射线便会与第一污染区域与第二污染区域的曲线轮廓（即着色区域与没有着色区域的交界线）产生交点，此时我们在直角坐标系获取各交点的坐标信息，根据坐标信息便能够快速计算得到各条交点线段的距离值，然后再将各条交点线段的距离值乘以相应的图纸比例，便能够得到相应的实际距离值，从而计算得到全氟化合物在多个节点上的迁移速度，然后对各个象限区域中全氟化合物在各个节点上的迁移速度进行取平均值处理，便能够计算得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度。通过本方法能够准确的计算出全氟化合物在各个迁移方向上的迁移速度，能够精细的计算出全氟化合物在各方向的迁移速度，从而有助于制定污染治理和应急响应策略，有助于提高环境管理的效率和效果，减少潜在的环境和健康风险；同时，精准评价还为可持续资源管理和合规监管提供了科学依据，有助于创造更健康和可持续的环境。
其中，获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域，如图3所示，具体为：
S302：预制多种预设农作物模型图，构建数据库，并将多种预设农作物模型图导入所述数据库中，得到特性数据库；
S304：获取各个迁移方向在预设范围内的农作物实时图像信息，则根据所述农作物实时图像信息构建得到在该迁移方向中农作物实时模型图；
S306：将所述农作物实时模型图导入所述特性数据库中，并通过欧几里德距离算法计算所述农作物实时模型图与各种预设农作物模型图之间的相似度，得到多个相似度，并将多个相似度均与预设相似度进行比较；
S308：若各个相似度均不大于预设相似度，则说明该迁移方向上所种植的农作物不是预设类型的农作物，则将该迁移方向标记为非预警区域；
S310：若存在至少一个相似度大于预设相似度，则说明该迁移方向上所种植的农作物是预设类型的农作物，则将该迁移方向标记为预警区域。
需要说明的是，对于全氟化合物，不同类型的农作物具有不同的吸收和富集能力，一般来说，根菜类蔬菜（如胡萝卜、土豆）和叶菜（如菠菜、沙拉）可能对土壤中的PFAS更敏感，因为它们的根和叶子直接与土壤接触。相比之下，一些坚果类、水果类和豆类可能对PFAS不太敏感。因此，在判断各个迁移方向中的全氟化合物是否会危及到对应的农作物时，可以结合农作物的实际作物类型进行考虑。
需要说明的是，预设农作物模型图即是根菜类蔬菜和叶菜等农作物模型图，该模型图可以直接在大数据网络中获取得到，也可以通过技术人员在三维软件中绘制得到。可以通过无人机拍摄技术或者遥感技术获取各个迁移方向在预设范围内的农作物实时图像信息，然后基于三维点云的方式构建得到农作物实时模型图。欧几里德距离算法通过计算两个三维模型中对应顶点之间的距离，然后将这些距离合并成一个总距离或平均距离，来衡量两个模型之间的相似度。所述预设类型的农作物即是根菜类蔬菜和叶菜等易受全氟化合物污染的作物。若各个相似度均不大于预设相似度，则说明该迁移方向上所种植的农作物不是预设类型的农作物，该迁移方向上的作物并不易受全氟化合物影响，则将该迁移方向标记为非预警区域。若存在至少一个相似度大于预设相似度，则说明该迁移方向上所种植的农作物是预设类型的农作物，该迁移方向所存在的作物易受全氟化合物影响，则将该迁移方向标记为预警区域。
其中，若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物，具体为：
若某迁移方向为预警区域，则获取该预警区域内的农作物实时模型图，并根据所述农作物实时模型图识别出该预警区域农作物的作物类型与生长时期；
根据该预警区域农作物的作物类型与生长时期生成检索标签，基于所述检索标签在大数据网络中进行检索，以检索得到该预警区域农作物的预测生长速率；
根据所述预测生长速率与生长时期确定出该预警区域农作物的成熟时间节点；
获取该预警区域上全氟化合物的平均迁移速度，以及获取该预警区域农作物的作物位置区域，以及根据所述第二全氟化合物分布情况图确定出该预警区域上全氟化合物的实时污染位置；
根据所述平均迁移速度以及全氟化合物的实时污染位置计算出全氟化合物迁移至该作物位置区域的预测时间节点；
将所述预警区域农作物的成熟时间节点与全氟化合物迁移至该作物位置区域的预测时间节点进行比较；若所述预警区域农作物的成熟时间节点大于全氟化合物迁移至该作物位置区域的预测时间节点，则生成警报信息，并将所述警报信息输出。
需要说明的是，若某迁移方向为预警区域，说明该预警区域中存在如根菜类蔬菜和叶菜等易受全氟化合物污染的作物，此时进一步根据所述农作物实时模型图识别出该预警区域农作物的作物类型与生长时期，然后再在大数据网络中检索出该预警区域农作物的预测生长速率，从而计算得到该预警区域农作物的成熟时间节点；并且根据所述平均迁移速度以及全氟化合物的实时污染位置计算出全氟化合物迁移至该作物位置区域的预测时间节点；若所述预警区域农作物的成熟时间节点大于全氟化合物迁移至该作物位置区域的预测时间节点，说明在该预警区域的农作物成熟采摘前全氟化合物会迁移在农作物区域上，从而对农作物造成污染，因此需要生成警报信息，以知会技术人员制定相应的污染治理和应急响应策略，以避免农作物受到污染。如可以在全氟化合物的迁移路径上添加隔栏，以改变全氟化合物的迁移方向，避免农作物受污染等。通过本方法能够快速识别出各个迁移方向区域上所种植的农作物是否会受全氟化合物的污染影响，有助于更明智地分配资金、人力和设备，以应对污染问题，这可以降低治理成本，并确保资源得以高效使用。
此外，在所述一种基于物联网的全氟化合物污染评价方法中，根据所述农作物实时图像信息构建得到在该迁移方向中农作物实时模型图，具体为：
通过ORB算法对所述农作物实时图像信息进行特征提取处理，得到若干特征点；并在所述农作物实时图像信息中检索出该农作物实时图像信息中农作物的中心点；
根据所述中心点构建坐标系，并将若干特征点导入所述坐标系中，在所述坐标系中获取各个特征点对应点坐标值，基于所述坐标值计算得到各特征点与所述中心点之间的欧式距离；
将各特征点与所述中心点之间的欧式距离与预设阈值进行比较，将欧式距离大于预设阈值对应的特征点剔除，以将离群的特征点筛除，得到离群筛选后的特征点；
获取所述离群筛选后的特征点的三维点云数据，并对所述三维点云数据进行配准，并对三维点云数据进行刚体转化，使得各个三维点云数据以统一的坐标系表示，再对三维点云数据进行网格化处理，得到农作物实时模型图。
需要说明的是，当获取得到农作物实时图像信息后，提取得到农作物实时图像信息中农作物的特征点，由于在提取过程中，会存在特征点漂移现象，因此需要将离群的特征点进行筛除，以提高建模精度。通过本方法能够快速构建得到农作物模型图，并且所得到的模型精度高，能够提高模型配对结果可靠性。
此外，所述一种基于物联网的全氟化合物污染评价方法，还包括以下步骤：
通过大数据网络获取全氟化合物对不同类型植物的毒性效应，构建知识图谱，并将全氟化合物对不同类型植物的毒性效应导入所述知识图谱中；
通过遥感技术获取预设采样点预设区域内的植物图像信息，并对所述植物图像信息进行识别，以识别出各预设采样点预设区域内的植物的是否发生毒性效应情况；
若某一个预设采样点预设区域内的植物的发生了毒性效应情况，则将该预设采样点标记为修正污染标记采样点；
在第一全氟化合物分布情况图与第二全氟化合物分布情况图中检索出该修正污染标记采样点是否已经被标记为污染标记采样点；
若该修正污染标记采样点没有被标记为污染标记采样点，则根据所述修正污染标记采样点对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行修正。
需要说明的是，毒性效应是指全氟化合物对植物等产生的不良影响或损害。这些影响可以在暴露于有毒物质后立即发生，也可以在长期暴露后逐渐显现。毒性效应的性质和严重程度取决于许多因素，包括暴露剂量、暴露时间、暴露途径、生物体的特性和健康状态等。PFAS能对植物产生毒性效应，损害植物的细胞结构和功能，从而可能叶子黄化、斑点、枯死等症状。通过本方法能够结合植物的毒性效应来快速评估出全氟化合物是否迁移至某一预设采样点上，从而对各个预设采样点的污染情况进行修正，如避免出现因预设采样点漏采样亦或者检测失误而出现遗漏标记污染采样点的情况，提高全氟化合物的迁移评估精度。
此外，所述一种基于物联网的全氟化合物污染评价方法，还包括以下步骤：
通过大数据网络获取全氟化合物在各种预设环境因子组合条件之下的挥发率；
构建第二数据库，并将全氟化合物在各种预设环境因子组合条件之下的挥发率导入所述第二数据库中，得到第二特性数据库；
获取预警区域在预设时间段内的实际环境因子，将所述实际环境因子导入所述第二特性数据库中，通过灰色关联分析法计算所述实际环境因子与各种预设环境因子组合之间的关联度，得到多个关联度；
构建排序表，将多个所述关联度输入至所述排序表中进行数值大小排序，排序完成后，提取出最大关联度；
获取与所述最大关联度对应的预设环境因子组合，根据与所述最大关联度对应的预设环境因子组合确定出预警区域中全氟化合物在实际环境因子条件之下的预测挥发率；
根据所述预警区域中全氟化合物在实际环境因子条件之下的预测挥发率对该预警区域的平均迁移速度进行修正。
其中，所述环境因子包括温度、湿度、风速和气体对流等。
需要说明的是，温度是影响全氟化合物挥发的重要因素。在低温下，PFAS的挥发率通常较低，因为较低的温度会导致分子间力较强，不容易克服，从而减慢挥发过程。相反，在高温下，挥发率可能增加，因为分子更容易获得足够的能量以克服分子间力。空气动力学条件，如风速和气体对流，也会影响PFAS分子从表面挥发到空气中的速度。较高的风速或更强的气体对流可以增加挥发过程中的质量传递速率。湿度是空气中水汽的含量。高湿度环境下，水汽分子可能与PFAS分子发生相互作用，形成水合合物或降低PFAS的挥发速率。这可以减缓PFAS的挥发。而PFAS的迁移速度又受到PFAS浓度的影响，PFAS在土壤或岩石等固体介质中通常会吸附到固体颗粒表面。当PFAS浓度较低时，吸附作用可能会比较弱，PFAS分子在介质中相对容易移动。然而，随着PFAS浓度的增加，吸附位点可能会逐渐饱和，导致更多的PFAS分子被固定在固体颗粒表面。这会减慢PFAS的迁移速度，因为较少的分子能够进入水相并移动。因此通过本方法能够根据全氟化合物在不同环境因子条件之下的挥发特性进一步修正该预警区域的平均迁移速度，提高评估结果可靠性。
如图4所示，本发明第二方面公开了一种基于物联网的全氟化合物污染评价***，所述全氟化合物污染评价***包括存储器18与处理器20，所述存储器18中存储有全氟化合物污染评价方法程序，当所述全氟化合物污染评价方法程序被所述处理器20执行时，实现如下步骤：
获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图；
在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；
对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度；
获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域；若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于物联网的全氟化合物污染评价方法，其特征在于，包括以下步骤：
获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图；
在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；
对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度；
获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域；若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物；
其中，对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度，具体为：
构建虚拟空间，并将第一全氟化合物分布情况图与第二全氟化合物分布情况图导入所述虚拟空间中；
在所述虚拟空间中使得第一全氟化合物分布情况图与第二全氟化合物分布情况图中位置相同的预设采样点相互重合，以对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行配对处理，得到配对后的全氟化合物分布情况图；
在所述配对后的全氟化合物分布情况图检索出预设排放源所处的位置节点，并以该位置节点作为坐标原点，基于所述坐标原点在所述配对后的全氟化合物分布情况图中构建直角坐标系；
根据第一污染区域与第二污染区域的色彩特性在所述配对后的全氟化合物分布情况图中分别检索出第一污染区域与第二污染区域的曲线轮廓；并通过所述直角坐标系中的四个象限区域将第一污染区域与第二污染区域的曲线轮廓分为四个东、南、西、北四个迁移方向；
以所述坐标原点为射线起点，基于所述射线起点向四个象限区域发射出若干条射线，并获取各条射线在各个象限区域中第一污染区域与第二污染区域的曲线轮廓的交点，并获取每一条射线在各个象限区域中曲线轮廓交点之间的线段，得到多条交点线段；
计算各个象限区域中各交点线段的距离值，根据各交点线段的距离值、第一预设时间节点以及第二预设时间节点计算得到全氟化合物在多个节点上的迁移速度；
对各个象限区域中全氟化合物在各个节点上的迁移速度进行取平均值处理，得到各个象限区域中全氟化合物的平均迁移速度，以得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度。
2.根据权利要求1所述的一种基于物联网的全氟化合物污染评价方法，其特征在于，获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图，具体为：
获取目标企业的预设排放源，并以所述预设排放源为中心点，基于所述中心点确定出监测区域；
获取监测区域对应的三维地形模型图，以及获取采样点的密度分布要求信息；将所述三维地形模型图与密度分布要求信息导入蚁群算法中进行迭代规划，得到若干个预设采样点；
获取监测区域的工程建设信息，根据所述工程建设信息对各预设采样点进行检索，以检索出所述预设采样点中是否存在埋设预设类型设备的情况；
若所述预设采样点中存在埋设预设类型设备的情况，则对所述预设采样点进行重新规划，以重新规划得到新的预设采样点，直至新的预设采样点中不存在埋设预设类型设备的情况，则基于所述新的预设采样点生成采样点布局图，并将所述采样点布局图输出；
若所述预设采样点中不存在埋设预设类型设备的情况，则基于所述预设采样点生成采样点布局图，并将所述采样点布局图输出。
3.根据权利要求1所述的一种基于物联网的全氟化合物污染评价方法，其特征在于，在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图，具体为：
在第一预设时间节点对所述采样点布局图中的预设采样点的土壤进行采样检测，以检测出各预设采样点在第一预设时间节点上是否存在全氟化合物；
若所述预设采样点在第一预设时间节点上存在全氟化合物，则在所述采样点布局图中将对应的预设采样点进行标记，得到若干个第一污染标记采样点；
基于若干个第一污染标记采样点生成第一污染区域，并在所述采样点布局图中对所述第一污染区域进行渲染处理，得到在第一预设时间节点上以第一色彩表示的第一全氟化合物分布情况图。
4.根据权利要求1所述的一种基于物联网的全氟化合物污染评价方法，其特征在于，在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图，具体为：
在第二预设时间节点对所述采样点布局图中的预设采样点的土壤进行采样检测，以检测出各预设采样点在第二预设时间节点上是否存在全氟化合物；
若所述预设采样点在第二预设时间节点上存在全氟化合物，则在所述采样点布局图中将对应的预设采样点进行标记，得到若干个第二污染标记采样点；
基于若干个第二污染标记采样点生成第二污染区域，并在所述采样点布局图中对所述第二污染区域进行渲染处理，得到在第二预设时间节点上以第二色彩表示的第二全氟化合物分布情况图。
5.根据权利要求1所述的一种基于物联网的全氟化合物污染评价方法，其特征在于，获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域，具体为：
预制多种预设农作物模型图，构建数据库，并将多种预设农作物模型图导入所述数据库中，得到特性数据库；
获取各个迁移方向在预设范围内的农作物实时图像信息，则根据所述农作物实时图像信息构建得到在该迁移方向中农作物实时模型图；
将所述农作物实时模型图导入所述特性数据库中，并通过欧几里德距离算法计算所述农作物实时模型图与各种预设农作物模型图之间的相似度，得到多个相似度，并将多个相似度均与预设相似度进行比较；
若各个相似度均不大于预设相似度，则说明该迁移方向上所种植的农作物不是预设类型的农作物，则将该迁移方向标记为非预警区域；
若存在至少一个相似度大于预设相似度，则说明该迁移方向上所种植的农作物是预设类型的农作物，则将该迁移方向标记为预警区域。
6.根据权利要求1所述的一种基于物联网的全氟化合物污染评价方法，其特征在于，若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物，具体为：
若某迁移方向为预警区域，则获取该预警区域内的农作物实时模型图，并根据所述农作物实时模型图识别出该预警区域农作物的作物类型与生长时期；
根据该预警区域农作物的作物类型与生长时期生成检索标签，基于所述检索标签在大数据网络中进行检索，以检索得到该预警区域农作物的预测生长速率；
根据所述预测生长速率与生长时期确定出该预警区域农作物的成熟时间节点；
获取该预警区域上全氟化合物的平均迁移速度，以及获取该预警区域农作物的作物位置区域，以及根据所述第二全氟化合物分布情况图确定出该预警区域上全氟化合物的实时污染位置；
根据所述平均迁移速度以及全氟化合物的实时污染位置计算出全氟化合物迁移至该作物位置区域的预测时间节点；
将所述预警区域农作物的成熟时间节点与全氟化合物迁移至该作物位置区域的预测时间节点进行比较；若所述预警区域农作物的成熟时间节点大于全氟化合物迁移至该作物位置区域的预测时间节点，则生成警报信息，并将所述警报信息输出。
7.一种基于物联网的全氟化合物污染评价***，其特征在于，所述全氟化合物污染评价***包括存储器与处理器，所述存储器中存储有全氟化合物污染评价方法程序，当所述全氟化合物污染评价方法程序被所述处理器执行时，实现如下步骤：
获取目标企业的预设排放源，根据所述预设排放源确定出监测区域，根据所述监测区域的地形条件规划出采样点布局图；
在第一预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第一全氟化合物分布情况图；在第二预设时间节点对采样点布局图中各预设采样点进行采样检测，得到第二全氟化合物分布情况图；
对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度；
获取各个迁移方向在预设范围内的农作物实时图像信息，根据所述农作物实时图像信息判断出各个迁移方向是否为预警区域；若为预警区域，则对该预警区域进行预警判断，以判断出该预警区域的全氟化合物是否会危及农作物；
其中，对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行分析，得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度，具体为：
构建虚拟空间，并将第一全氟化合物分布情况图与第二全氟化合物分布情况图导入所述虚拟空间中；
在所述虚拟空间中使得第一全氟化合物分布情况图与第二全氟化合物分布情况图中位置相同的预设采样点相互重合，以对第一全氟化合物分布情况图与第二全氟化合物分布情况图进行配对处理，得到配对后的全氟化合物分布情况图；
在所述配对后的全氟化合物分布情况图检索出预设排放源所处的位置节点，并以该位置节点作为坐标原点，基于所述坐标原点在所述配对后的全氟化合物分布情况图中构建直角坐标系；
根据第一污染区域与第二污染区域的色彩特性在所述配对后的全氟化合物分布情况图中分别检索出第一污染区域与第二污染区域的曲线轮廓；并通过所述直角坐标系中的四个象限区域将第一污染区域与第二污染区域的曲线轮廓分为四个东、南、西、北四个迁移方向；
以所述坐标原点为射线起点，基于所述射线起点向四个象限区域发射出若干条射线，并获取各条射线在各个象限区域中第一污染区域与第二污染区域的曲线轮廓的交点，并获取每一条射线在各个象限区域中曲线轮廓交点之间的线段，得到多条交点线段；
计算各个象限区域中各交点线段的距离值，根据各交点线段的距离值、第一预设时间节点以及第二预设时间节点计算得到全氟化合物在多个节点上的迁移速度；
对各个象限区域中全氟化合物在各个节点上的迁移速度进行取平均值处理，得到各个象限区域中全氟化合物的平均迁移速度，以得到监测区域中全氟化合物在各个迁移方向上的平均迁移速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311277226.1A CN117011717B (zh) | 2023-10-07 | 2023-10-07 | 一种基于物联网的全氟化合物污染评价方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311277226.1A CN117011717B (zh) | 2023-10-07 | 2023-10-07 | 一种基于物联网的全氟化合物污染评价方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011717A CN117011717A (zh) | 2023-11-07 |
| CN117011717B true CN117011717B (zh) | 2023-12-19 |
Family
ID=88565767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311277226.1A Active CN117011717B (zh) | 2023-10-07 | 2023-10-07 | 一种基于物联网的全氟化合物污染评价方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011717B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006085621A (ja) * | 2004-09-17 | 2006-03-30 | Rikogaku Shinkokai | 準統計モデルによるメッシュ修正方法 |
| DE102008054345A1 (de) * | 2008-11-03 | 2010-05-20 | Halang, Wolfgang A., Prof. Dr. Dr. | Verfahren und Vorrichtung zur Detektion von Kampfstoffen |
| CN106600035A (zh) * | 2016-11-08 | 2017-04-26 | 北京师范大学 | 基于污染物迁移模拟的水源地水质安全预警方法 |
| CN107657348A (zh) * | 2017-10-13 | 2018-02-02 | 上环境科技（金华）有限公司 | 一种基于物联网的全方位水质智能监管方法及其*** |
| CN112434076A (zh) * | 2020-10-28 | 2021-03-02 | 南京润江安全环保科技有限公司 | 土壤污染物迁移与预警模拟方法及*** |
| CN116168771A (zh) * | 2023-04-26 | 2023-05-26 | 北京建工环境修复股份有限公司 | 一种基于物联网的河流中全氟化合物污染监测方法及*** |
| CN116362572A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种在产园区地下水污染分区分级评价方法 |
| CN116629619A (zh) * | 2023-07-25 | 2023-08-22 | 北京建工环境修复股份有限公司 | 一种土壤新污染物赋存状况预测方法及*** |
| CN116645789A (zh) * | 2023-06-12 | 2023-08-25 | 安徽星空图信息科技股份有限公司 | 一种基于无人机测绘的土地自然灾害预警管控*** |
| CN116773781A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种用于土壤中全氟化合物的污染分析方法、***及介质 |
-
2023
- 2023-10-07 CN CN202311277226.1A patent/CN117011717B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006085621A (ja) * | 2004-09-17 | 2006-03-30 | Rikogaku Shinkokai | 準統計モデルによるメッシュ修正方法 |
| DE102008054345A1 (de) * | 2008-11-03 | 2010-05-20 | Halang, Wolfgang A., Prof. Dr. Dr. | Verfahren und Vorrichtung zur Detektion von Kampfstoffen |
| CN106600035A (zh) * | 2016-11-08 | 2017-04-26 | 北京师范大学 | 基于污染物迁移模拟的水源地水质安全预警方法 |
| CN107657348A (zh) * | 2017-10-13 | 2018-02-02 | 上环境科技（金华）有限公司 | 一种基于物联网的全方位水质智能监管方法及其*** |
| CN112434076A (zh) * | 2020-10-28 | 2021-03-02 | 南京润江安全环保科技有限公司 | 土壤污染物迁移与预警模拟方法及*** |
| CN116168771A (zh) * | 2023-04-26 | 2023-05-26 | 北京建工环境修复股份有限公司 | 一种基于物联网的河流中全氟化合物污染监测方法及*** |
| CN116362572A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种在产园区地下水污染分区分级评价方法 |
| CN116645789A (zh) * | 2023-06-12 | 2023-08-25 | 安徽星空图信息科技股份有限公司 | 一种基于无人机测绘的土地自然灾害预警管控*** |
| CN116629619A (zh) * | 2023-07-25 | 2023-08-22 | 北京建工环境修复股份有限公司 | 一种土壤新污染物赋存状况预测方法及*** |
| CN116773781A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种用于土壤中全氟化合物的污染分析方法、***及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011717A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Understanding fire drivers and relative impacts in different Chinese forest ecosystems | |
| CN110457829B (zh) | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 | |
| CN115424143B (zh) | 水源污染溯源方法、装置、存储介质和计算机设备 | |
| Kingsy et al. | Air pollution analysis using enhanced K-Means clustering algorithm for real time sensor data | |
| Plowright et al. | Assessing urban tree condition using airborne light detection and ranging | |
| CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
| CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及*** | |
| Rutters et al. | A selection of forest condition indicators for monitoring | |
| CN117391727B (zh) | 一种负碳排放的碳中和方法及*** | |
| CN117011717B (zh) | 一种基于物联网的全氟化合物污染评价方法及*** | |
| Wężyk et al. | Use of airborne laser scanning data for a revision and update of a digital forest map and its descriptive database: a case study from the Tatra National Park | |
| Koo et al. | Projection of red spruce (Picea rubens Sargent) habitat suitability and distribution in the Southern Appalachian Mountains, USA | |
| CN109409748A (zh) | 一种耕地质量评价指标关联性的检核方法及*** | |
| CN115775359A (zh) | 一种输电线路通道速生树种识别方法及*** | |
| Saito et al. | Using airborne LiDAR to determine total sapwood area for estimating stand transpiration in plantations | |
| CN111144389B (zh) | 一种热点网格识别方法、装置、电子设备及可读存储介质 | |
| KR20150017163A (ko) | 축산 바이러스 공기중 확산 예보 시스템 | |
| CN113506203A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN113010850A (zh) | 一种基于gis的大气细颗粒物中三价砷浓度的预测方法 | |
| Nechausov | The information model of the system for local atmospheric air pollution monitoring | |
| CN112216387A (zh) | 基于云数据平台的复工复产管理方法及*** | |
| Prosekov et al. | Development of a software package for digital forest inventory based on aerial photography data | |
| Koo et al. | Picea rubens growth at high versus low elevations in the Great Smoky Mountains National Park: evaluation by systems modeling | |
| CN116091852B (zh) | 树木倒伏预测方法、装置、电子设备及可读存储介质 | |
| Collado et al. | Development of a Prototype of an Expert System for the Diagnosis of Air Pollution in Panama |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |